مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

897
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

545
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک

صفحات

 صفحه شروع 570 | صفحه پایان 582

چکیده

 خشکسالی یک رویداد طبیعی است که می تواند خسارت های قابل توجهی را به زندگی بشر وارد سازد. پیش بینی خشکسالی نقش موثری را در مدیریت منابع آب ایفا می کند. در این تحقیق به منظور پیش بینی خشکسالی سه مدل ترکیبی از انواع شبکه های عصبی و تبدیل موجک ارائه شده است و بعد با استفاده از این مدل ها, شاخص بارش استاندارد (SPI) برای 12 ماه آینده در ایستگاه سینوپتیک یزد پیش بینی شده است. شبکه های عصبی مصنوعی توانایی بالایی در پیش بینی سری های زمانی غیرخطی دارند. تبدیل موجک نیز با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر آنها می گردد. در تحقیق حاضر با استفاده از مدل های ترکیبی, که شامل شبکه های پرسپترون موجکی (MLP-W), شبکه های برگشتی موجکی(TR-W)  و شبکه های برگشتی با تاخیر زمانی موجکی (TLRN-W) می باشند, به پیش بینی سیگنال های فرعی حاصل از تبدیل موجک پرداخته شده است. همچنین به منظور بررسی تاثیر تبدیل موجک در عملکرد مدل های ترکیبی, نتایج حاصل از این مدل ها با نتایج بدست آمده از مدل های شبکه عصبی منفرد مقایسه و کارایی آنها با استفاده از برخی آماره های ارزیابی اندازه گیری شده است. در نهایت, نتایج بدست آمده از مدل های ترکیبی, ضریب همبستگی بالاتر و خطای پایین تری را نسبت به مدل های منفرد, نشان داده اند. ضریب همبستگی در بهترین مدل ترکیبی (TLRN-W) حدود 0.977 و RMSE وMAE  به ترتیب 0.05 و 0.020 بدست آمد, در حالی که این مقادیر در بهترین مدل منفرد(TLRN)  ترتیب برابر با 0.895, 0.07 و 0.020 اندازه گیری شد. در مجموع یافته های این تحقیق, بهبود کارایی شبکه های عصبی در پیش بینی شاخص خشکسالی را با استفاده از تبدیل موجک نشان می دهند.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    افخمی، حمیده، اختصاصی، محمدرضا، و محمدی، مژده. (1394). تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک. تحقیقات مرتع و بیابان ایران، 22(3 (پیاپی 60))، 570-582. SID. https://sid.ir/paper/107186/fa

    Vancouver: کپی

    افخمی حمیده، اختصاصی محمدرضا، محمدی مژده. تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک. تحقیقات مرتع و بیابان ایران[Internet]. 1394؛22(3 (پیاپی 60)):570-582. Available from: https://sid.ir/paper/107186/fa

    IEEE: کپی

    حمیده افخمی، محمدرضا اختصاصی، و مژده محمدی، “تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک،” تحقیقات مرتع و بیابان ایران، vol. 22، no. 3 (پیاپی 60)، pp. 570–582، 1394، [Online]. Available: https://sid.ir/paper/107186/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا